Analyse Factorielle des Correspondances (AFC)

Analyse Factorielle des

Correspondances (AFC)
Rsum
Mthode factorielle de rduction de dimension pour lexploration
statistique dune table de contingence dnie par deux variables
qualitatives. Dnition partir de lanalyse en composantes prin-
cipales des prols. Dnition du modle statistique associ, esti-
mation. Reprsentation graphique simultane des modalits des va-
riables.
Travaux pratiques de complexit croissante par ltudes de donnes
lmentaires.
Retour au plan du cours.
1 Introduction
1.1 Donnes
On considre dans cette vignette deux variables qualitatives observes si-
multanment sur n individus affects de poids identiques 1/n. On suppose que
la premire variable, note X, possde r modalits notes x
1
, . . . , x

, . . . , x
r
,
et que la seconde, note Y , possde c modalits notes y
1
, . . . , y
h
, . . . , y
c
.
La table de contingence associe ces observations, de dimension r c, est
note T; son lment gnrique est n
h
, effectif conjoint. Elle se prsente sous
la forme suivante dune table de contingence prsente dans le Tableau 1).
1.2 Notations
Les quantits n
+
=

c
h=1
n
h
; = 1, . . . , r et n
+h
=

r
=1
n
h
; h =
1, . . . , c sont les effectifs marginaux vriant

r
=1
n
+
=

c
h=1
n
+h
= n.
De faon analogue, on dnit les notions de frquences conjointes (f
h
=
TABLE 1 Table de contingence
y1 yh yc sommes
x1 n11 n1h n1c n1+
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x n1 nh nc n+
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
xr nr1 nrh nrc nr+
sommes n+1 n+h n+c n
n
h
/n) et de frquences marginales ranges dans les vecteurs :
g
r
= [f
1+
, . . . , f
r+
]

,
et g
c
= [f
+1
, . . . , f
+c
]

.
Elles permettent de dnir les matrices :
D
r
= diag(f
1+
, . . . , f
r+
),
et D
c
= diag(f
+1
, . . . , f
+c
).
On sera galement amen considrer les prolslignes et les prols
colonnes dduits de T. Le -ime prol-ligne est

n
1
n
+
, . . . ,
n
h
n
+
, . . . ,
n
c
n
+
.
Il est considr comme un vecteur de R
c
et les r vecteurs ainsi dnis sont
disposs en colonnes dans la matrice c r
A =
1
n
T

D
1
r
.
De mme, le h-ime prol-colonne est

n
1h
n
+h
, . . . ,
n
h
n
+h
, . . . ,
n
rh
n
+h
,
1
Analyse Factorielle des Correspondances (AFC)
vecteur de R
r
, et la matrice r c des prols-colonnes est
B =
1
n
TD
1
c
.
1.3 Liaison entre deux variables qualitatives
DFINITION 1. On dit que deux variables X et Y sont non lies relative-
ment T si et seulement si :
(, h) 1, . . . , r 1, . . . , c : n
h
=
n
+
n
+h
n
.
Il est quivalent de dire que tous les prols-lignes sont gaux, ou encore que
tous les prols-colonnes sont gaux.
Cette notion est cohrente avec celle dindpendance en probabilits. En
effet, soit = 1, . . . , n lensemble des individus observs et (, T(), P)
lespace probabilis associ o P est lquiprobabilit ; /
X
= x
1
, . . . , x
r

et /
Y
= y
1
, . . . , y
c
dsignent les ensembles de modalits, ou valeurs prises
par les variables X et Y . On note

X et

Y les variables alatoires associes aux
2 variables statistiques X et Y :

X : (, T(), P) (/
X
, T(/
X
)),

Y : (, T(), P) (/
Y
, T(/
Y
)) ;
P
X
, P
Y
et P
XY
dsignent respectivement les probabilits images dnies par

X,

Y et le couple (

X,

Y ) sur (/
X
, T(/
X
)), (/
Y
, T(/
Y
)) et (/
X

/
Y
, T(/
X
) T(/
Y
)) ; ce sont les probabilits empiriques. Alors, X et Y
sont non lies si et seulement si

X et

Y sont indpendantes en probabilit (la
vrication est immdiate).
On suppose maintenant quil existe une liaison entre X et Y que lon sou-
haite tudier. La reprsentation graphique des prols-lignes ou des prols-
colonnes, au moyen de diagrammes en barres parallles, ainsi que le calcul
de coefcients de liaison (Cramer ou Tschuprow) donnent une premire ide
de la variation conjointe des deux variables. Le test du
2
permet de plus de
sassurer du caractre signicatif de cette liaison. Il est construit de la manire
suivante :
lhypothse nulle est H0 :

X et

Y sont indpendantes en probabilits ;
lhypothse alternative est H1 : les variables

X et

Y ne sont pas indpen-
dantes.
La statistique de test est alors

2
=
r

=1
c

h=1
_
n
h

n+n+h
n
_
2
n+n+h
n
;
elle suit asymptotiquement (pour les grandes valeurs de n), et si lhypothse
H0 est vraie, une loi de
2
(r1)(c1) degrs de libert. On rejette donc H0
(et lon conclut au caractre signicatif de la liaison) si
2
dpasse une valeur
particulire (valeur ayant une probabilit faible et xe a priori en gnral
0,05 tre dpasse par une loi de
2
(r 1)(c 1) degrs de libert).
1.4 Objectifs
Pour prciser la liaison existant entre les variables X et Y , on souhaite d-
nir un modle statistique susceptible de fournir des paramtres dont la repr-
sentation graphique (de type biplot) illustrera les correspondances entre les
modalits de ces 2 variables. Cette approche sera dveloppe au paragraphe 3.
Une autre approche, trs courante dans la littrature francophone, consiste
dnir lAnalyse Factorielle des Correspondances (AFC) comme tant le
rsultat dune double Analyse en Composantes Principales
lACP des prolslignes,
lACP des prolscolonnes,
relativement la mtrique dite du
2
. Cette approche est prsente au para-
graphe 2.
Remarque. :
1. Toute structure dordre existant ventuellement sur les modalits de X ou
de Y est ignore par lAFC
2. Tout individu prsente une modalit et une seule de chaque variable.
3. Chaque modalit doit avoir t observe au moins une fois ; sinon, elle est
supprime.
2 Double ACP
2
Analyse Factorielle des Correspondances (AFC)
2.1 Mtriques du Chi2
Les correspondances entre modalits voques au paragraphe prcdant se
trouvent exprimes en termes de distances au sens dune certaine mtrique.
Ainsi, chaque modalit x

de X est caractrise par son prolligne reprsent

par le vecteur a

de lespace R
c
muni de la base canonique (les coordonnes de
a

sont les lments de la -ime colonne de A). De mme, chaque modalit

y
h
de Y est caractrise par son prolcolonne reprsent par le vecteur b
h
de
lespace R
r
muni de la base canonique.
Ces espaces sont respectivement munis des mtriques, dites du
2
, de ma-
trices D
1
c
et D
1
r
. Ainsi, la distance entre deux modalits x

et x
i
de X
scrit
|a

a
i
|
2
D
1
c
=
c

h=1
1
f
+h
(a

h
a
i
h
)
2
,
et de mme pour les modalits de Y . La mtrique du
2
introduit les inverses
des frquences marginales des modalits de Y comme pondrations des carts
entre lments de deux prols relatifs X (et rciproquement) ; elle attribue
donc plus de poids aux carts correspondants des modalits de faible effectif
(rares) pour Y .
2.2 ACP des prolscolonnes
On sintresse ici lACP du triplet (B

, D
1
r
, D
c
). Dans cette ACP, les in-
dividus sont les modalits de Y , caractrises par les prolscolonnes de T,
pondres par les frquences marginales correspondantes et ranges en lignes
dans la matrice B

.
PROPOSITION 2. Les lments de lACP de (B

, D
1
r
, D
c
) sont fournis
par lanalyse spectrale de la matrice carre, D
1
r
symtrique et semidnie
positive BA.
Preuve Elle se construit en remarquant successivement que :
1. le barycentre du nuage des prolscolonnes est le vecteur gr des frquence mar-
ginales de X,
2. la matrice BDcB

grDcg

r
joue le rle de la matrice des variancescovariances,
3. la solution de lACP est fournie par la D.V.S. de (B

1g

r
, D
1
r
, Dc), qui conduit
rechercher les valeurs et vecteurs propres de la matrice (SM)
BDcB

D
1
r
grDcg

r
= BAgrg

r
D
1
r
( car B

D
1
r
= D
1
c
A)
4. les matrices BA grg

r
D
1
r
et BA ont les mmes vecteurs propres associes
aux mmes valeurs propres, lexception du vecteur gr associ la valeur propre
0 = 0 de BAgrg

r
D
1
r
et la valeur propre 0 = 1 de BA.
2
On note U la matrice contenant les vecteurs propres D
1
r
orthonorms de
BA. La reprsentation des individus de lACP ralise fournit une reprsen-
tation des modalits de la variable Y . Elle se fait au moyen des lignes de la
matrice des composantes principales (XMV) :
C
c
= B

D
1
r
U.
2.3 ACP des prolslignes
De faon symtrique (ou duale), on sintresse lACP des individus mo-
dalits de X ou prolslignes (la matrice des donnes est A

), pondrs par
les frquences marginales des lignes de T (la matrice diagonale des poids est
D
r
) et utilisant la mtrique du
2
. Il sagit donc de lACP de (A

, D
1
c
, D
r
).
PROPOSITION 3. Les lments de lACP de (A

, D
1
c
, D
r
) sont fournis
par lanalyse spectrale de la matrice carre, D
1
c
symtrique et semidnie
positive AB.
On obtient directement les rsultats en permutant les matrices Aet B, ainsi
que les indices c et r. Notons V la matrice des vecteurs propres de la matrice
AB; les coordonnes permettant la reprsentation les modalits de la variable
X sont fournies par la matrice :
C
r
= A

D
1
c
V.
Sachant que V contient les vecteurs propres de AB et U ceux de BA,
un thorme de lannexe (st-m-explo-alglin Complments dalgbre linaire)
3
Analyse Factorielle des Correspondances (AFC)
montre quil suft de raliser une seule analyse, car les rsultats de lautre sen
dduisent simplement :
V = AU
1/2
,
U = BV
1/2
;
est la matrice diagonale des valeurs propres (excepte
0
= 0) communes
aux deux ACP
C
c
= B

D
1
r
U = B

D
1
r
BV
1/2
= D
1
c
ABV
1/2
= D
1
c
V
1/2
,
C
r
= A

D
1
c
V = D
1
r
U
1/2
.
On en dduit les formules dites de transition :
C
c
= B

C
r

1/2
,
C
r
= A

C
c

1/2
.
La reprsentation simultane habituellement construite partir de ces ma-
trices (option par dfaut de SAS) nest pas a priori justie. On lui donnera un
sens dans les paragraphes suivants.
3 Modles pour une table de contingence
On crit dabord que chaque frquence f
h
de T correspond lobservation
dune probabilit thorique p
h
; on modlise donc la table de contingence par
cette distribution de probabilits. On prcise ensuite le modle en explicitant
lcriture de p
h
. Diffrents modles classiques peuvent tre considrs.
3.1 Le modle loglinaire
Il consiste crire :
ln(p
h
) = +

+
h
+
h
avec des contraintes le rendant identiable. Ce modle, trs classique, est d-
velopp par ailleurs.
3.2 Le modle dassociation
Il est encore appel RC-modle, ou modle de Goodman :
p
h
= .

.
h
.exp
_
q

k=1

k
.
k
.
hk
_
.
Ce modle, muni des contraintes ncessaires, permet de structurer les interac-
tions et de faire des reprsentations graphiques des lignes et des colonnes de
T au moyen des paramtres
k
et
hk
. Ces paramtres peuvent tre estims
par maximum de vraisemblance ou par moindres carrs.
3.3 Le modle de corrlation
On crit ici :
p
h
= p
+
p
+h
+
q

k=1
_

k
u
k

v
k
h
, (1)
avec q inf(r 1, c 1),
1

q
> 0 et sous les contraintes
didentiabilit suivantes :
r

=1
u
k

=
c

h=1
v
k
h
= 0,
u
k

D
1
r
u
j
= v
k

D
1
c
v
j
=
kj
.
Remarque. :
1. Le modle (1) ci-dessus est quivalent au modle considr par Good-
man :
p
h
= p
+
p
+h
_
1 +
q

k=1
_

k
h
_
, (2)
moyennant une homothtie sur les paramtres.
2. La quantit

q
k=1

k
u
k

v
k
h
exprime lcart lindpendance pour la cel-
lule considre.
4
Analyse Factorielle des Correspondances (AFC)
3. Le modle suppose que cet cart se dcompose dans un sousespace de
dimension q < min(c 1, r 1).
4. Les estimations des paramtres p
+
, p
+h
,
k
, u
k
, v
k
peuvent tre rali-
ses par maximum de vraisemblance
1
ou par moindres carrs. Dans le
contexte de la statistique descriptive, qui est celui de ce cours, il est natu-
rel de retenir cette dernire solution.
3.4 Estimation Moindres Carrs dans le modle de
corrlation
3.4.1 Critre
Considrons les espaces R
c
et R
r
munis de leur base canonique et de leur
mtrique du
2
respectives et notons P le tableau des probabilits thoriques
dnies selon le modle (1). Le critre des moindres carrs scrit alors :
min
P
_
_
_
_
1
n
TP
_
_
_
_
2
D
1
r
D
1
c
. (3)
3.4.2 Estimation
PROPOSITION 4. Lestimation des paramtres de (1) en rsolvant (3) est
fournie par la D.V.S. de (
1
n
T, D
1
c
, D
1
r
) lordre q. Les probabilits margi-
nales p
+
et p
+h
sont estimes par f
+
et f
+h
tandis que les vecteurs u
k
(resp.
v
k
) sont vecteurs propres de la matrice BA (resp. AB) associs aux valeurs
propres
k
.
On obtient ainsi, dune autre faon, lAFC de la table de contingence T.
Preuve Elle se construit partir de la D.V.S. de (
1
n
T, D
1
c
, D
1
r
) :
1
n
t
h

=
min(r1,c1)

k=0

ku
k

v
k
h
,
o les vecteurs u
k
(resp. v
k
) sont vecteurs propres D
1
r
orthonorms (resp. D
1
c

orthonorms) de la matrice
1
n
TD
1
c
1
n
T

D
1
r
= BA (resp.
1
n
T

D
1
r
1
n
TD
1
c
= AB),
1. On suppose alors que les n p
h
sont les paramtres de lois de Poisson indpendantes
conditionnellement leur somme qui est xe et gale n.
associs aux valeurs propres k.
De plus, le vecteur gr = u
0
(resp. gc = v
0
) est vecteur propre D
1
r
norm (resp.
D
1
c
norm) de la matrice BA (resp. AB) associ la valeur propre 0 = 1. Enn,
les matrices ABet BAsont stochastiques
2
et donc les valeurs propres vrient :
1 = 0 1 q > 0.
En identiant les termes, lapproximation de rang (q + 1) de la matrice P scrit
donc :

Pq = grg

c
+
q

k=1

ku
k
v
k

et les proprits dorthonormalit des vecteurs propres assurent que les contraintes du
modle sont vries.
2
4 Reprsentations graphiques
4.1 Biplot
La dcomposition de la matrice
1
n
T se transforme encore en :
f
h
f
+
f
+h
f
+
f
+h
=
min(r1,c1)

k=0
_

k
u
k

f
+
v
k
h
f
+h
.
En se limitant au rang q, on obtient donc, pour chaque cellule (, h) de la table
T, une approximation de son cart relatif lindpendance comme produit
scalaire des deux vecteurs
u
k

f
+

1/4
k
et
v
k
h
f
+h

1/4
k
,
termes gnriques respectifs des matrices
D
1
r
U
1/4
et D
1
c
V
1/4
,
2. Matrice relle, carre, termes positifs, dont la somme des termes de chaque ligne (ou
chaque colonne) vaut 1.
5
Analyse Factorielle des Correspondances (AFC)
qui sont encore les estimations des vecteurs

et
h
du modle 2. Leur repr-
sentation (par exemple avec q = 2) illustre alors la correspondance entre les
deux modalits x

et y
h
: lorsque deux modalits, loignes de lorigine, sont
voisines (resp. opposes), leur produit scalaire est de valeur absolue impor-
tante ; leur cellule conjointe contribue alors fortement et de manire positive
(resp. ngative) la dpendance entre les deux variables.
LAFC apparat ainsi comme la meilleure reconstitution des frquences f
h
,
ou encore la meilleure reprsentation des carts relatifs lindpendance. La
reprsentation simultane des modalits de X et de Y se trouve ainsi pleine-
ment justie.
4.2 Double ACP
Chacune des deux ACP ralise permet une reprsentation des individus
(modalits) approchant, au mieux, les distances du
2
entre les prolslignes
dune part, les prolscolonnes dautre part. Les coordonnes sont fournies
cette fois par les matrices (de composantes principales)
C
r
= D
1
r
U
1/2
et C
c
= D
1
c
V
1/2
.
Mme si la reprsentation simultane na plus alors de justication, elle reste
couramment employe. En fait, les graphiques obtenus diffrent trs peu de
ceux du biplot ; ce dernier sert donc de caution puisque les interprtations
des graphiques sont identiques. On notera que cette reprsentation issue de la
double ACP est celle ralise par la plupart des logiciels statistiques (cest en
particulier le cas de SAS).
4.3 Reprsentations barycentriques
Dautres reprsentations simultanes, appeles barycentriques, sont propo-
ses en utilisant les matrices
D
1
r
U
1/2
et D
1
c
V,
ou encore les matrices
D
1
r
U et D
1
c
V
1/2
.
Si lon considre alors, par exemple, la formule de transition
C
r
= A

C
c

1/2
C
r

1/2
= A

C
c
D
1
r
U = A

D
1
c
V
1/2
,
on voit que dans la seconde des reprsentations cidessus, chaque modalit x

de X est reprsente par un vecteur qui est barycentre de lensemble des vec-
teurs associs aux modalits de Y , chacun deux ayant pour poids llment
correspondant du l-ime prolligne. L encore, la reprsentation simultane
sen trouve parfaitement justie. Malheureusement, dans la pratique, les re-
prsentations barycentriques sont souvent illisibles ; elles sont, de ce fait, trs
peu utilises.
4.4 Autre reprsentation
La pratique de lAFCmontre que linterprtation des graphiques est toujours
la mme, quelle que soit la reprsentation simultane choisie parmi les 3 ci
dessus.
On peut ainsi envisager dutiliser, pour une reprsentation simultane des
modalits de X et de Y , les coordonnes fournies respectivement par les lignes
des matrices
D
1
r
U et D
1
c
V.
Linterprtation du graphique sera toujours la mme et les matrices ci
dessus, outre leur simplicit, prsentent lavantage de conduire a une reprsen-
tation graphique qui reste invariante lorsque lon utilise la technique dAnalyse
Factorielle des Correspondances Multiples sur les donnes considres ici.
4.5 Aides linterprtation
Les qualits de reprsentation dans la dimension choisie et les contributions
des modalits de X ou de Y se dduisent aisment de celles de lACP Ces
quantits sont utilises la fois pour choisir la dimension de lAFC et pour
interprter ses rsultats dans la dimension choisie.
4.5.1 Mesure de la qualit globale
Pour une dimension donne q (1 q d = inf(r 1, c 1)), la qualit
globale des reprsentations graphiques en dimension q se mesure par le rap-
port entre la somme des q premires valeurs propres de lAFC et leur somme
complte de 1 d.
Comptetenue de la proprit

d
k=1

k
=
2
(voir en 6.1), la qualit de la
6
Analyse Factorielle des Correspondances (AFC)
reprsentation dans la kime dimension scrit
n
k

2
.
On parle encore de part du khideux explique par la kime dimension (voir
les sorties du logiciel SAS).
4.5.2 Mesure de la qualit de chaque modalit
Pour chaque modalit de X (resp. de Y ), la qualit de sa reprsentation en
dimension q se mesure par le cosinus carr de langle entre le vecteur reprsen-
tant cette modalit dans R
c
(resp. dans R
r
) et sa projection D
1
c
orthogonale
(resp. D
1
r
orthogonale) dans le sousespace principal de dimension q.
Ces cosinus carrs sobtiennent en faisant le rapport des sommes appro-
pries des carrs des coordonnes extraites des lignes de C
r
(resp. de C
c
).
4.5.3 Contributions linertie totale
Linertie totale (en dimension d) du nuage des prolslignes (resp. des
prolscolonnes) est gale la somme des d valeurs propres. La part due au
iime prolligne (resp. au jime prolcolonne) valant f
+

d
k=1
(c
k
r
)
2
(resp. f
+h

d
k=1
(c
k
ch
)
2
), les contributions linertie totale sen dduisent im-
mdiatement.
4.5.4 Contributions linertie selon chaque axe
Il sagit de quantits analogues celles cidessus, dans lesquelles il ny a
pas de sommation sur lindice k. Ces quantits sont utilises dans la pratique
pour slectionner les modalits les plus importantes, cestdire celles qui
contribuent le plus la dnition de la liaison entre les 2 variables X et Y .
4.5.5 Remarque
En gnral, on ninterprte pas les axes dune AFC (en particulier parce
quil ny a pas de variable quantitative intervenant dans lanalyse). Linterpr-
tation sappuie surtout sur la position relative des diffrentes modalits rep-
res comme les plus importantes.
5 Exemple
Lexemple des donnes bancaires ainsi que les donnes dexpression gno-
mique se prte mal lillustration dune analyse des correspondances, aucun
couple de variable qualitative ne conduit des reprsentations intressantes.
La table de contingence tudie titre dexemple dcrit la rpartition des
exploitations agricoles de la rgion MidiPyrnes dans les diffrents dparte-
ments en fonction de leur taille. Elle croise la variable qualitative dpartement,
8 modalits, avec la variable taille de lexploitation, quantitative dcoupe en
6 classes. Les donnes, ainsi que les rsultats numriques obtenus avec la pro-
cdure corresp de SAS/STAT, sont fournis en annexe.
La gure 5 prsente le premier plan factoriel utilisant les coordonnes obte-
nues par dfaut, cestdire celles de la double ACP.
6 Complments
6.1 Proprits
Formule de reconstitution des donnes. On appelle ainsi lapproximation
dordre q (cestdire fournie par lAFC en dimension q) de la table des
frquences initiales (
1
n
T) :
f
h
f
+
f
+h
q

k=1
_

k
u
k

v
k
h
.
Les valeurs propres vrient :
d

k=1

k
=
2
.
En effet, on vrie facilement :
trAB =
d

k=0

k
= 1 +

2
n
= 1 +
2
;
do le rsultat.
7
Analyse Factorielle des Correspondances (AFC)
arie
aver
h.g.
gers
lot
h.p.
tarn
t.g.
SINF1
S1_5
S5_10
S10_20
S20_50
S50_99
S_100
A
x
e
2
-0.2
-0.1
0.0
0.1
0.2
0.3
0.4
Axe 1
-0.5 -0.3 -0.1 0.1 0.3 0.5 0.7
FIGURE 1 Rpartition des exploitations agricoles par taille et par dparte-
ment. Premier plan de lAFC.
6.2 Invariance
Les tables de contingence T et T, R

+
, admettent la mme AFC
(vident).
Proprit dquivalence distributionnelle : si deux lignes de T, et i,
ont des effectifs proportionnels, alors les reprsentations de x

et x
i
sont
confondues (leurs prols sont identiques) et le regroupement de x

et x
i
en une seule modalit (en additionnant les effectifs) laisse inchanges les
reprsentations graphiques (mme chose pour les colonnes de T). Cette
proprit est une consquence de la mtrique du
2
.
6.3 Choix de la dimension
Le choix de la dimension pose les mmes problmes quen ACP De nom-
breuses techniques empiriques ont t proposes (essentiellement : part diner-
tie explique, boulis des valeurs propres). Il existe galement une approche
probabiliste qui peut donner des indications intressantes. Nous la dtaillons
cidessous.
Posons

n
q
h
= nf
+
f
+h
+ n
q

k=1
_

k
u
k

v
k
h
,
estimation dordre q de leffectif conjoint de la cellule (, h). Alors, sous cer-
taines conditions (chantillonnage, n grand, modle multinomial . . . ), on peut
montrer que
K
q
=
r

=1
c

h=1
(n
h

n
q
h
)
2

n
q
h
n
d

k=q+1

k
suit approximativement une loi de
2
(r q 1)(cq 1) degrs de libert.
On peut donc retenir pour valeur de q la plus petite dimension pour laquelle
K
q
est infrieure la valeur limite de cette loi. Le choix q = 0 correspond
la situation o les variables sont proche de lindpendance en probabilits ;
les frquences conjointes sont alors bien approches par les produits des fr-
quences marginales.
8